【技术实现步骤摘要】
基于多尺度纤细网络的诱导迭代前视声呐图像配准方法及系统
[0001]本专利技术属于前视声呐图像配准
，具体涉及一种基于多尺度纤细网络的诱导迭代前视声呐图像配准方法及系统，其主要应用深度学习技术和多尺度结构，并结合自适应技术进行不同视点的前视声呐图像配准，用于水下三维地图重建。
技术介绍
[0002]随着我国人均资源量的减少以及经济的快速发展，人们对资源的需求持续增加。充分利用海洋资源成为解决资源短缺的举措之一。在海洋资源探索中，集成信息对提供更好的使用率和生产率至关重要，而集成信息最重要的技术之一就是图像配准。图像配准是在同一场景下将从不同时间、不同的角度、不同传感器获取的两张图像进行对齐的过程。其中声呐图像的配准主要用于探测变化和分析差异，这是声呐海洋探测的基本技术手段。例如，在海洋地质探测中，对海洋底部纹理图片的配准有助于地质学家研究地貌成因，以及对海底的地质进行分类等，有利于海底资源的开发。因此，研究配准技术具有重要的意义。
[0003]由于前视声呐图像的成像环境以及设备的复杂性，进行前视声呐图像配准的难...
【技术保护点】
【技术特征摘要】
1.基于多尺度纤细网络的诱导迭代前视声呐图像配准方法，其特征在于，包括如下步骤：S1.将前视声呐设备获取的真实声呐图像进行处理，并将图像划分为训练集和测试集；S2.创建层间多尺度结构网络；S3.在层间多尺度结构网络的各层内搭建多尺度纤细网络结构，对提取的图像特征进行聚合；S4.在层间多尺度结构网络各层内利用适配区模型对步骤S3的图像特征进行由易到难的匹配，并自适应跳出迭代，获取输出形变场；S5.在基于多尺度纤细网络中用得到的形变场和空间变换网络对运动的前视声呐图像进行变形，并计算参考图像和配准图像的相似度，得到配准后的图像；S6.将配准后的前视声呐图像进行融合，根据配准后的声呐图像重建水下三维地图。2.根据权利要求1所述基于多尺度纤细网络的诱导迭代前视声呐图像配准方法，其特征在于，步骤S1中，将获取的前视声呐图像进行裁剪，并划分为训练集和测试集，同时对得到的训练数据集进行数据增强。3.根据权利要求2所述基于多尺度纤细网络的诱导迭代前视声呐图像配准方法，其特征在于，步骤S2中，通过双线性插值对输入图像进行降采样得到I
fi
和I
mi
，i＝1,2,3，尺度因子为0.5，表示每次变化为原来的一半；I
f3
和I
m3
表示原始输入图像对大小；形变场扭曲移动图像和适配区控制下的多尺度致密网络的迭代模型表示为：I
wi
(φ
i
)＝φ
i
°
I
mi
g
θ
(I
fi
,I
mi
)＝φ
i
其中，φ
i
表示形变场，I
wi
(φ
i
)表示扭曲后的移动图像，g
θ
表示适配区控制下的迭代模型的模型函数。4.根据权利要求3所述基于多尺度纤细网络的诱导迭代前视声呐图像配准方法，其特征在于，步骤S3中，将待配准图像对输入U
‑
Net网络提取特征，首先采用不同的卷积层将拥有不同大小、不同通道数的特征模块A2、A3、A4卷积到大小相同的尺度，其中A2、A3使用内核大小为3x3和步幅为2的卷积层，A4使用内核大小为1x1和步幅为1的卷积层；然后将大小相同、通道数不同的几个特征映射直接连接，连接后的组合拥有了多层次的特征信息；此时，对此组合进行只改变通道数的卷积，卷积的内核大小为1x1，步幅为1，并使用Relu作为激励函数，融合和细化信息特征；之后以Sigmoid作为激励函数，对其进行卷积获取特征注意图，将包含多层次信息的模块与注意图相乘即可得到所需要的特征层；将获取的特征层分别使用内核大小为3x3和步幅为2的卷积层恢复到包含不同通道数的三个模块；最后将获取的三个不同通道数的模块分别与第一次获取的三个特征模块相连接；将获取到的三个不同模块分别使用内核大小为1x1和步幅为1的卷积层恢复到初始大小，即可得到新的B2、B3、B4；将恢复到各尺度的特征层B2、B3、B4与解码器的相应层做连接，对空间特征信息进行约束，用于生成形变场。5.根据权利要求4所述基于多尺度纤细网络的诱导迭代前视声呐图像配准方法，其特征在于，步骤S4中，假设神经网络权重表示为W∈...
【专利技术属性】
技术研发人员：郭春生，尚兴昌，应娜，陈华华，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。